CN106570854A - 水状态的检测装置、方法以及图像处理设备 - Google Patents

Abstract

本发明实施例提供一种水状态的检测装置、方法以及图像处理设备。所述检测方法包括：将记录水的实时图像划分为多个实时子块；对于每个实时子块分别进行方向性滤波处理，获得每个实时子块的不同方向的滤波结果；根据所述滤波结果分别抽取统计特征；基于预先获得的分类器模型以及所述统计特征对每个实时子块分别进行类型识别；对实时图像的多个实时子块的类型进行统计；以及根据统计结果确定所述实时图像对应的水状态。由此，在检测水状态时不但不需要使用传感器，***简单且成本低，而且能够实时且准确地对水状态进行检测。

Description

水状态的检测装置、方法以及图像处理设备

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种水状态的检测装置、方法以及图像处理设备。

背景技术

在很多场景下(例如废水处理过程)需要对水的运动状态进行检测。当水箱中的水从静止变为运动时或从运动变为静止时，对这些变化进行快速反应是必要且重要的。

目前已经出现了一些对水状态(包括水运动状态和水静止状态)进行检测的***，例如使用水位传感器、温度传感器、氯气测量传感器等等。通过这些传感器，可以在一定程度上对水状态进行检测。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

但是，发明人发现：目前进行水状态检测的***需要使用传感器，***复杂且成本高；并且检测结果往往滞后，不能实时且准确地对水状态进行检测。

本发明实施例提供了一种水状态的检测装置、方法以及图像处理设备。***简单且成本低，能够实时且准确地对水状态进行检测。

根据本发明实施例的第一个方面，提供一种水状态的检测装置，所述检测装置包括：

实时子块划分单元，将记录水的实时图像划分为多个实时子块；

实时滤波单元，对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

实时特征抽取单元，根据所述不同方向的滤波结果分别抽取统计特征；

类型识别单元，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

类型统计单元，对所述实时图像的所述多个实时子块的类型进行统计；以及

状态确定单元，根据统计结果确定所述实时图像对应的水状态。

根据本发明实施例的第二个方面，提供一种水状态的检测方法，所述检测方法包括：

将记录水的实时图像划分为多个实时子块；

对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

根据所述不同方向的滤波结果分别抽取统计特征；

基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

对所述实时图像的所述多个实时子块的类型进行统计；以及

根据统计结果确定所述实时图像对应的水状态。

根据本发明实施例的第三个方面，提供一种图像处理设备，包括如上所述的水状态的检测装置。

本发明实施例的有益效果在于：将记录水的图像划分为多个子块；对于每个子块分别进行方向性滤波处理并抽取统计特征后，对每个实时子块分别进行类型识别；对所述图像的多个子块的类型进行统计；以及根据统计结果确定所述图像对应的水状态。由此，在检测水状态时不但不需要使用传感器，***简单且成本低，而且能够实时地准确地对水状态进行检测。

参照后文的说明和附图，详细公开了本发明实施例的特定实施方式，指明了本发明实施例的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明实施例1的水状态的检测方法的一示意图；

图2是本发明实施例1的水状态的检测方法的另一示意图；

图3是本发明实施例1的方向性滤波的一示意图；

图4是本发明实施例1的方向性滤波的另一示意图；

图5是本发明实施例2的水状态的检测装置的一示意图；

图6是本发明实施例2的水状态的检测装置的另一示意图；

图7是本发明实施例3的图像处理设备的一构成示意图。

具体实施方式

参照附图，通过下面的说明书，本发明实施例的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明实施例的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明实施例包括落入所附权利要求的范围内的全部修改、变型以及等同物。

实施例1

本发明实施例提供一种水状态的检测方法。图1是本发明实施例的水状态的检测方法的一示意图，如图1所示，所述检测方法包括：

步骤101，将记录水的实时图像划分为多个实时子块；

步骤102，对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

步骤103，根据所述每个实时子块的不同方向的滤波结果分别抽取统计特征；

步骤104，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

步骤105，对所述实时图像的所述多个实时子块的类型进行统计；以及

步骤106，根据统计结果确定所述实时图像对应的水状态。

在本实施例中，对于需要进行水状态检测的监控区域，可以设置摄像头连续进行拍摄，获得包含多帧实时图像的视频。对于每帧实时图像，可以根据上述步骤101至步骤106检测出该帧图像对应的水状态。

在本实施例中，摄像头可以对准水面而设置或者以一定的角度设置。其中水状态可以包括水运动状态和水静止状态，水运动状态例如可以是出现水泡(bubble)的状态或者出现水纹的状态，但本发明不限于此，还可以是其他的状态。

在本实施例中，分类器模型可以是预先获得的，例如预先对监控区域的图像进行一段时间的训练后获得。但本发明不限于此，例如也可以根据经验值预先生成。

图2是本发明实施例的水状态的检测方法的另一示意图，如图2所示，所述检测方法可以包括训练阶段和监控阶段。

在训练阶段，所述方法包括：

步骤2011，将训练图像划分为多个训练子块；

步骤2012，对于每个训练子块分别进行方向性滤波处理，获得所述每个训练子块的不同方向的滤波结果；

步骤2013，根据所述每个训练子块的不同方向的滤波结果分别抽取统计特征；

步骤2014，将所述统计特征输入到支持向量机(SVM)或人工神经网络(ANN)中来获得分类器模型。

在具体实施时，可以利用摄像头获得多个训练图像，迭代地执行上述步骤2011至步骤2014，由此可以获得比较准确的分类器模型。

在监控阶段，所述方法包括：

步骤2021，将记录水的实时图像划分为多个实时子块；

步骤2022，对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

步骤2023，根据所述每个实时子块的不同方向的滤波结果分别抽取统计特征；

步骤2024，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

步骤2025，对所述实时图像的所述多个实时子块的类型进行统计；以及

步骤2026，根据统计结果确定所述实时图像对应的水状态。

值得注意的是，上述训练阶段和监控阶段并不存在顺序关系，可以先执行训练阶段然后执行监控阶段；也可以两个阶段并行进行，由此可以不断地对分类器模型进行更新和优化。

在本实施例中，可以将图像(实时图像或训练图像)划分为多个子块，例如划分为65*65的子块，其中单位为像素；但本发明不限于此，可以根据实际情况确定子块的大小或形状等。

在步骤2012或步骤2022中，对于每个子块均进行方向性滤波，可以使用改进的Gabor滤波算法；但本发明不限于此，例如还可以使用其他的方向性滤波算法。以下以基于Gabor滤波的方法为例进行说明。

例如，可以使用如下公式进行方向性滤波处理：

其中，x'＝xcosθ+ysinθ以及y'＝-xsinθ+ycosθ；x和y表示像素坐标，λ表示正弦曲线因子的波长，θ表示基准到平行带的方向，表示相位偏移，σ表示高斯因子标准差，γ表示空间纵横比率。

在具体实施时，例如可以进行如下设置：

波长：λ＝10，原则上2<λ<blocksize*0.2；其中blocksize为子块的大小；

高斯因子标准差：σ＝4；

纵横比率：γ＝1；

相位偏移：

值得注意的是，以上仅示意性地示出了各参数的取值，但本发明不限于此。

其中，对于Gabor滤波中的尺度，将σ与λ组成反比例关系，比例大小有其设定公式。一般所指多尺度即取不同中心频率(1/λ)。本发明实施例的实验中λ取10(可理解为单一尺度)；图像尺度差异不是本发明的重点关注对象，所以可以在尺度上取一个一般较常用的经验值。

在本实施例中，使用不同的θ值进行方向性滤波，以强化各子块间的差别；

例如θ＝45,90,135,180；

图3是本发明实施例的方向性滤波的一示意图，从左到右分别示出了具有水泡的图像、对该图像进行θ＝90的方向性滤波后的图像以及对该图像进行θ＝180的方向性滤波后的图像。

图4是本发明实施例的方向性滤波的另一示意图，从左到右分别示出了具有静止水面的图像、对该图像进行θ＝90的方向性滤波后的图像以及对该图像进行θ＝180的方向性滤波后的图像。

如图3和4所示，使用不同的θ值进行方向性滤波，可以强化处于水运动状态的图像和处于水静止状态的图像的差别。

在步骤2013或步骤2023中，可以根据每个子块的不同方向的滤波结果分别抽取统计特征。其中，统计特征包括：图像一阶矩和图像二阶矩。例如，统计特征可以是均值和方差。

在本实施例中，不直接采用方向性滤波后的特征值，而使用统计特征对每个子块分别进行类型识别。

例如，可以使用如下公式进行统计特征的抽取：

其中，mean表示均值，var表示方差；M和N分别是所述实时子块或所述训练子块的高度和宽度，I()表示所述实时子块或所述训练子块中各像素的像素值。

这样，对于每个子块可以获得例如如下的图像特征：

F＝[var₁,mean_1,var₂,mean_2,var₃,mean₃var₄,mean₄]

其中，下标1、2、3、4分别表示θ＝45,90,135,180的情况。

由此，本实施例利用方向性滤波(例如Gabor滤波)对图像方向性的增强，可以获得方向性滤波后的纹理图像以突出运动水体与静止水体的差别，由此可以减少噪声影响，进而对纹理图像信息进行计算。此外，本实施例不直接采用方向性滤波的特征值，而是采用统计特征，即只关注水体运动所带来的图像像素分布方向差异，由此可以降低计算复杂度，减少计算量。

在步骤2024中，可以基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

具体地，对于某个实时子块，可以基于预先获得的分类器模型和所述实时子块的统计特征进行评分而获得评分值；在所述评分值大于预设阈值(第一阈值)的情况下，将所述实时子块确定为运动类型；否则将所述实时子块确定为静止类型。

关于具体如何进行评分，可以采用现有技术中任意一种评分方法。

在步骤2025中，可以对所述实时图像的所述多个实时子块的类型进行统计。由此，对于某一图像中的所有子块中的任意一个，可以确定是运动类型还是静止类型。

在步骤2026中，可以根据统计结果确定所述实时图像对应的水状态。

具体地，在所述实时图像中被确定为运动类型的实时子块的个数大于预设阈值(第二阈值)的情况下，将所述实时图像确定为水运动状态；否则将所述实时图像确定为水静止状态。

例如，若某一实时图像包括32个子块，当统计出其中28个(大于第二阈值25)子块为运动类型时，可以将该实时图像确定为水运动状态。当统计出其中只有12个(小于第二阈值25)子块为运动类型时，可以将该实时图像确定为水静止状态。

表1示意性示出了确定水状态的情况。

表1

由上述实施例可知，将记录水的图像划分为多个子块；对于每个子块分别进行方向性滤波处理并抽取统计特征后，对每个实时子块分别进行类型识别；对所述图像的多个子块的类型进行统计；以及根据统计结果确定所述图像对应的水状态。由此，在检测水状态时不但不需要使用传感器，***简单且成本低，而且能够实时地准确地对水状态进行检测。

实施例2

本发明实施例提供一种水状态的检测装置，对应于实施例1中的水状态的检测方法。与实施例1相同的内容不再赘述。

图5是本发明实施例的水状态的检测装置的一示意图，如图5所示，所述检测装置500包括：

实时子块划分单元501，将记录水的实时图像划分为多个实时子块；

实时滤波单元502，对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

实时特征抽取单元503，根据所述每个实时子块的不同方向的滤波结果分别抽取统计特征；

类型识别单元504，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

类型统计单元505，对所述实时图像的所述多个实时子块的类型进行统计；以及

状态确定单元506，根据统计结果确定所述实时图像对应的水状态。

图6是本发明实施例的水状态的检测装置的另一示意图，如图6所示，所述检测装置600包括如上所述的各单元。

如图6所示，所述检测装置600还包括：

训练子块划分单元601，将训练图像划分为多个训练子块；

训练滤波单元602，对于每个训练子块分别进行方向性滤波处理，获得所述每个训练子块的不同方向的滤波结果；

训练特征抽取单元603，根据所述每个训练子块的不同方向的滤波结果分别抽取统计特征；以及

模型生成单元604，将所述统计特征输入到支持向量机或人工神经网络中来获得所述分类器模型。

在本实施例中，所述实时滤波单元502或所述训练滤波单元602可以使用如下公式进行方向性滤波处理：

其中，x'＝xcosθ+ysinθ以及y'＝-xsinθ+ycosθ；x和y表示像素坐标，λ表示正弦曲线因子的波长，θ表示基准到平行带的方向，表示相位偏移，σ表示高斯因子标准差，γ表示空间纵横比率。

在本实施例中，所述实时滤波单元502或所述训练滤波单元602可以使用不同的θ值进行方向性滤波处理以强化各子块间的差别；所述统计特征可以包括：图像一阶矩和图像二阶矩。

在本实施例中，所述实时特征抽取单元503或所述训练特征抽取单元603可以使用如下公式进行统计特征的抽取：

其中，mean表示均值，var表示方差；M和N分别是所述实时子块或所述训练子块的高度和宽度，I()表示所述实时子块或所述训练子块中各像素的像素值。

在本实施例中，所述类型识别单元504可以包括：

子块评分单元，对于某个实时子块，基于预先获得的分类器模型和所述实时子块的统计特征进行评分而获得评分值；以及

类型确定单元，在所述评分值大于预设阈值的情况下，将所述实时子块确定为运动类型；否则将所述实时子块确定为静止类型。

在本实施例中，所述状态确定单元506具体可以用于：在所述图像中被确定为运动类型的实时子块的个数大于预设阈值的情况下，将所述图像确定为水运动状态；否则将所述图像确定为水静止状态。

由上述实施例可知，将记录水的图像划分为多个子块；对于每个子块分别进行方向性滤波处理并抽取统计特征后，对每个实时子块分别进行类型识别；对所述图像的多个子块的类型进行统计；以及根据统计结果确定所述图像对应的水状态。由此，在检测水状态时不但不需要使用传感器，***简单且成本低，而且能够实时地准确地对水状态进行检测。

实施例3

本发明实施例提供一种图像处理设备，所述图像处理设备包括：如实施例2所述的水状态的检测装置。

图7是本发明实施例的图像处理设备的一构成示意图。如图7所示，图像处理设备700可以包括：中央处理器(CPU)100和存储器110；存储器110耦合到中央处理器100。其中该存储器110可存储各种数据；此外还存储信息处理的程序，并且在中央处理器100的控制下执行该程序。

在一个实施方式中，水状态的检测装置500或600的功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为实现如实施例1所述的水状态的检测方法。即中央处理器100可以进行如下控制：

将记录水的实时图像划分为多个实时子块；对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；根据所述每个实时子块的不同方向的滤波结果分别抽取统计特征；基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；对所述实时图像的所述多个实时子块的类型进行统计；以及根据统计结果确定所述实时图像对应的水状态。

在另一个实施方式中，水状态的检测装置500或600可以与中央处理器100分开配置，例如可以将水状态的检测装置500或600配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现水状态的检测装置500或600的功能。

此外，如图7所示，图像处理设备700还可以包括：输入输出单元120和显示单元130等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，图像处理设备700也并不是必须要包括图7中所示的所有部件；此外，图像处理设备700还可以包括图7中没有示出的部件，可以参考现有技术。

本发明实施例还提供一种计算机可读程序，其中当在图像处理设备中执行所述程序时，所述程序使得计算机在所述图像处理设备中执行如实施例1所述的水状态的检测方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在图像处理设备中执行如实施例1所述的水状态的检测方法。

本发明以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。

以上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可以根据本发明原理对本发明做出各种变型和修改，这些变型和修改也在本发明的范围内。

关于包括以上实施例的实施方式，还公开下述的附记：

(附记1)一种水状态的检测装置，所述检测装置包括：

实时子块划分单元，将记录水的实时图像划分为多个实时子块；

实时滤波单元，对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

实时特征抽取单元，根据所述不同方向的滤波结果分别抽取统计特征；

类型识别单元，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

类型统计单元，对所述实时图像的所述多个实时子块的类型进行统计；以及

状态确定单元，根据统计结果确定所述实时图像对应的水状态。

(附记2)根据附记1所述的检测装置，其中，所述检测装置还包括：

训练子块划分单元，将训练图像划分为多个训练子块；

训练滤波单元，对于每个训练子块分别进行方向性滤波处理，获得所述每个训练子块的不同方向的滤波结果；

训练特征抽取单元，根据所述不同方向的滤波结果分别抽取统计特征；以及

模型生成单元，将所述统计特征输入到支持向量机或人工神经网络中来获得所述分类器模型。

(附记3)根据附记1或2所述的检测装置，其中，所述实时滤波单元或所述训练滤波单元使用如下公式进行方向性滤波处理：

其中，x'＝xcosθ+ysinθ以及y'＝-xsinθ+ycosθ；x和y表示像素坐标，λ表示正弦曲线因子的波长，θ表示基准到平行带的方向，表示相位偏移，σ表示高斯因子标准差，γ表示空间纵横比率。

(附记4)根据附记3所述的检测装置，其中，所述实时滤波单元或所述训练滤波单元使用不同的θ值进行方向性滤波处理以强化各子块间的差别。

(附记5)根据附记1或2所述的检测装置，其中，所述统计特征包括：图像一阶矩和图像二阶矩。

(附记6)根据权利要求5所述的检测装置，其中，所述实时特征抽取单元或所述训练特征抽取单元使用如下公式进行统计特征的抽取：

其中，mean表示均值，var表示方差；M和N分别是所述实时子块或所述训练子块的高度和宽度，I()表示所述实时子块或所述训练子块中各像素的像素值。

(附记7)根据附记1所述的检测装置，其中，所述类型识别单元包括：

子块评分单元，对于某个实时子块，基于预先获得的分类器模型和所述实时子块的统计特征进行评分而获得评分值；

类型确定单元，在所述评分值大于预设阈值的情况下，将所述实时子块确定为运动类型；否则将所述实时子块确定为静止类型。

(附记8)根据附记1所述的检测装置，其中，所述状态确定单元具体用于：在所述实时图像中被确定为运动类型的实时子块的个数大于预设阈值的情况下，将所述实时图像确定为水运动状态；否则将所述实时图像确定为水静止状态。

(附记9)一种水状态的检测方法，所述检测方法包括：

将记录水的实时图像划分为多个实时子块；

对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

根据所述不同方向的滤波结果分别抽取统计特征；

基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

对所述实时图像的所述多个实时子块的类型进行统计；以及

根据统计结果确定所述实时图像对应的水状态。

(附记10)根据附记9所述的检测方法，其中，所述检测方法还包括：

将训练图像划分为多个训练子块；

对于每个训练子块分别进行方向性滤波处理，获得所述每个训练子块的不同方向的滤波结果；

根据所述不同方向的滤波结果分别抽取统计特征；以及

将所述统计特征输入到支持向量机或人工神经网络中来获得所述分类器模型。

(附记11)根据附记9或10所述的检测方法，其中，使用如下公式进行方向性滤波处理：

其中，x'＝xcosθ+ysinθ以及y'＝-xsinθ+ycosθ；x和y表示像素坐标，λ表示正弦曲线因子的波长，θ表示基准到平行带的方向，表示相位偏移，σ表示高斯因子标准差，γ表示空间纵横比率。

(附记12)根据附记11所述的检测方法，其中，使用不同的θ值进行方向性滤波处理以强化各子块间的差别。

(附记13)根据附记9或10所述的检测方法，其中，所述统计特征包括：图像一阶矩和图像二阶矩。

(附记14)根据权利要求13所述的检测方法，其中，使用如下公式进行统计特征的抽取：

其中，mean表示均值，var表示方差；M和N分别是所述实时子块或所述训练子块的高度和宽度，I()表示所述实时子块或所述训练子块中各像素的像素值。

(附记15)根据附记9所述的检测方法，其中，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别包括：

对于某个实时子块，基于预先获得的分类器模型和所述实时子块的统计特征进行评分而获得评分值；

在所述评分值大于预设阈值的情况下，将所述实时子块确定为运动类型；否则将所述实时子块确定为静止类型。

(附记16)根据附记9所述的检测方法，其中，根据统计结果确定所述实时图像对应的水状态包括：

在所述实时图像中被确定为运动类型的实时子块的个数大于预设阈值的情况下，将所述实时图像确定为水运动状态；否则将所述实时图像确定为水静止状态。

(附记17)一种图像处理设备，包括如附记1至8任一项所述的水状态的检测装置。

Claims (10)

1.一种水状态的检测装置，其特征在于，所述检测装置包括：

实时子块划分单元，将记录水的实时图像划分为多个实时子块；

实时滤波单元，对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

实时特征抽取单元，根据所述不同方向的滤波结果分别抽取统计特征；

类型识别单元，基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

类型统计单元，对所述实时图像的所述多个实时子块的类型进行统计；以及

状态确定单元，根据统计结果确定所述实时图像对应的水状态。

2.根据权利要求1所述的检测装置，其中，所述检测装置还包括：

训练子块划分单元，将训练图像划分为多个训练子块；

训练滤波单元，对于每个训练子块分别进行方向性滤波处理，获得所述每个训练子块的不同方向的滤波结果；

训练特征抽取单元，根据所述不同方向的滤波结果分别抽取统计特征；以及

模型生成单元，将所述统计特征输入到支持向量机或人工神经网络中来获得所述分类器模型。

3.根据权利要求1或2所述的检测装置，其中，所述实时滤波单元或所述训练滤波单元使用如下公式进行方向性滤波处理：

其中，x'＝xcosθ+ysinθ以及y'＝-xsinθ+ycosθ；x和y表示像素坐标，λ表示正弦曲线因子的波长，θ表示基准到平行带的方向，表示相位偏移，σ表示高斯因子标准差，γ表示空间纵横比率。

4.根据权利要求3所述的检测装置，其中，所述实时滤波单元或所述训练滤波单元使用不同的θ值进行方向性滤波处理以强化各子块间的差别；

所述统计特征包括：图像一阶矩和图像二阶矩。

5.根据权利要求1或2所述的检测装置，其中，所述实时特征抽取单元或所述训练特征抽取单元使用如下公式进行统计特征的抽取：

$mean=\frac{\underset{k=1}{\overset{M}{\&Sigma;}}\underset{l=1}{\overset{N}{\&Sigma;}}{I}_{tex}(k,l)}{M\&times;N}$

$\mathrm{var}=\frac{1}{{(M\&times;N)}^2}\underset{k=1}{\overset{M}{\&Sigma;}}\underset{l=1}{\overset{N}{\&Sigma;}}{\left(I_{tex}\right(k,l)-mean)}^2$

其中，mean表示均值，var表示方差；M和N分别是所述实时子块或所述训练子块的高度和宽度，I()表示所述实时子块或所述训练子块中各像素的像素值。

6.根据权利要求1所述的检测装置，其中，所述类型识别单元包括：

子块评分单元，对于某个实时子块，基于预先获得的分类器模型和所述实时子块的统计特征进行评分而获得评分值；

类型确定单元，在所述评分值大于预设阈值的情况下，将所述实时子块确定为运动类型；否则将所述实时子块确定为静止类型。

7.根据权利要求1所述的检测装置，其中，所述状态确定单元具体用于：在所述实时图像中被确定为运动类型的实时子块的个数大于预设阈值的情况下，将所述实时图像确定为水运动状态；否则将所述实时图像确定为水静止状态。

8.一种水状态的检测方法，其特征在于，所述检测方法包括：

将记录水的实时图像划分为多个实时子块；

对于每个实时子块分别进行方向性滤波处理，获得所述每个实时子块的不同方向的滤波结果；

根据所述不同方向的滤波结果分别抽取统计特征；

基于预先获得的分类器模型以及所述统计特征对所述每个实时子块分别进行类型识别；

对所述实时图像的所述多个实时子块的类型进行统计；以及

根据统计结果确定所述实时图像对应的水状态。

9.根据权利要求8所述的检测方法，其中，根据统计结果确定所述实时图像对应的水状态包括：

在所述实时图像中被确定为运动类型的实时子块的个数大于预设阈值的情况下，将所述实时图像确定为水运动状态；否则将所述实时图像确定为水静止状态。

10.一种图像处理设备，其特征在于，所述图像处理设备包括如权利要求1至7任一项所述的水状态的检测装置。